热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

【Matlab】评估网络节点重要性

centrality

衡量节点的重要性

全页折叠

语法

C = centrality(G,type)

C = centrality(___,Name,Value)

说明

示例

C = centrality(G,type) 为图中的每个节点计算由 type 指定的节点中心性。

示例

C = centrality(___,Name,Value) 使用一个或多个名称-值对组参数指定的其他选项。例如,centrality(G,'closeness','Cost',c) 指定遍历每条边的成本。

示例

全部折叠

6 个网站的网页排名

尝试此示例

View MATLAB Command

创建并绘制一个包含六个虚拟网站的图。

s = [1 1 2 2 3 3 3 4 5];
t = [2 5 3 4 4 5 6 1 1];
names = {'http://www.example.com/alpha', 'http://www.example.com/beta', ...
         'http://www.example.com/gamma', 'http://www.example.com/delta', ...
         'http://www.example.com/epsilon', 'http://www.example.com/zeta'};
G = digraph(s,t,[],names);
plot(G,'NodeLabel',{'alpha','beta','gamma','delta','epsilon','zeta'})

【Matlab】评估网络节点重要性

使用 centrality 函数计算每个网站的网页排名。将此信息作为图节点的一个属性附加到图的 Nodes 表中。

pg_ranks = centrality(G,'pagerank')
pg_ranks = 6×1

    0.3210
    0.1706
    0.1066
    0.1368
    0.2008
    0.0643

G.Nodes.PageRank = pg_ranks;
G.Nodes
ans=6×2 table
                   Name                   PageRank
    __________________________________    ________

    {'http://www.example.com/alpha'  }    0.32098 
    {'http://www.example.com/beta'   }    0.17057 
    {'http://www.example.com/gamma'  }    0.10657 
    {'http://www.example.com/delta'  }    0.13678 
    {'http://www.example.com/epsilon'}    0.20078 
    {'http://www.example.com/zeta'   }    0.06432 

还可以使用 centrality 确定哪些节点是枢纽节点和权威节点,并将得分附加到 Nodes 表中。

hub_ranks = centrality(G,'hubs');
auth_ranks = centrality(G,'authorities');
G.Nodes.Hubs = hub_ranks;
G.Nodes.Authorities = auth_ranks;
G.Nodes
ans=6×4 table
                   Name                   PageRank       Hubs       Authorities
    __________________________________    ________    __________    ___________

    {'http://www.example.com/alpha'  }    0.32098        0.24995    7.3237e-05 
    {'http://www.example.com/beta'   }    0.17057        0.24995      0.099993 
    {'http://www.example.com/gamma'  }    0.10657        0.49991      0.099993 
    {'http://www.example.com/delta'  }    0.13678     9.1536e-05       0.29998 
    {'http://www.example.com/epsilon'}    0.20078     9.1536e-05       0.29998 
    {'http://www.example.com/zeta'   }    0.06432              0       0.19999 

随机图的度中心性

尝试此示例

View MATLAB Command

使用随机稀疏邻接矩阵创建并绘制一个加权图。由于有很多边,请使用非常小的 EdgeAlpha 值使边几乎透明。

A = sprand(1000,1000,0.15);
A = A + A';
G = graph(A,'omitselfloops');
p = plot(G,'Layout','force','EdgeAlpha',0.005,'NodeColor','r');

【Matlab】评估网络节点重要性

计算每个节点的度中心性。使用边权重指定每条边的重要性。

deg_ranks = centrality(G,'degree','Importance',G.Edges.Weight);

根据节点的中心性得分,使用 discretize 将节点放入 7 个等间距 bin 中。

edges = linspace(min(deg_ranks),max(deg_ranks),7);
bins = discretize(deg_ranks,edges);

使每个节点在绘图中的大小与其中心性得分成正比。每个节点的标记大小等于 bin 编号 (1-7)。

p.MarkerSize = bins;

【Matlab】评估网络节点重要性

明尼苏达州道路的接近性和中间性

尝试此示例

View MATLAB Command

加载 minnesota.mat 中的数据,其中包含代表明尼苏达州道路网络的图对象 G。图节点具有 xy 坐标,这些坐标包含在 G.Nodes 表的 XCoord 和 YCoord 变量中。

load minnesota.mat
xy = [G.Nodes.XCoord G.Nodes.YCoord];

在图中添加与道路长度(使用每条边的端节点的 xy 坐标之间的欧几里德距离计算得出)大致对应的边权重。

[s,t] = findedge(G);
G.Edges.Weight = hypot(xy(s,1)-xy(t,1), xy(s,2)-xy(t,2));

使用节点的 xy 坐标绘图。

p = plot(G,'XData',xy(:,1),'YData',xy(:,2),'MarkerSize',5);
title('Minnesota Road Network')

【Matlab】评估网络节点重要性

计算每个节点的接近中心性。调整节点颜色 NodeCData,使其与中心性得分成正比。

ucc = centrality(G,'closeness');
p.NodeCData = ucc;
colormap jet
colorbar
title('Closeness Centrality Scores - Unweighted')

【Matlab】评估网络节点重要性

还要计算加权的接近中心性得分(使用边权重作为遍历每条边的成本)。使用道路长度作为边权重可以提高得分质量,因为距离现在等于遍历的所有边的长度总和,而不是遍历的边数。

wcc = centrality(G,'closeness','Cost',G.Edges.Weight);
p.NodeCData = wcc;
title('Closeness Centrality Scores - Weighted')

【Matlab】评估网络节点重要性

计算图的加权中间中心性得分,以确定在两个节点之间的最短路径上出现频率最高的道路。使用因子 (n−2)(n−1)2 对中心性得分进行归一化,以使得分表示旅行者沿两个随机节点之间的最短路径经过给定节点的概率。该绘图表明进出这座城市有几条非常重要的道路。

wbc = centrality(G,'betweenness','Cost',G.Edges.Weight);
n = numnodes(G);
p.NodeCData = 2*wbc./((n-2)*(n-1));
colormap(flip(autumn,1));
title('Betweenness Centrality Scores - Weighted')

【Matlab】评估网络节点重要性

输入参数

全部折叠

G - 输入图
graph 对象 | digraph 对象

输入图,指定为 graph 或 digraph 对象。可使用 graph 创建一个无向图,或使用 digraph 创建一个有向图。

示例: G = graph(1,2)

示例: G = digraph([1 2],[2 3])

type - 节点中心性的类型
'degree' | 'outdegree' | 'indegree' | 'closeness' | 'incloseness' | 'outcloseness' | 'betweenness' | 'pagerank' | 'eigenvector' | 'hubs' | 'authorities'

节点中心性的类型,指定为下表中的选项之一。表中还列出了适用于每个类型的兼容的名称-值对组。每个节点中心性变体为衡量节点在图中的重要性提供了一种不同的方法。

选项

图类型

说明

名称-值对组

'degree'

无向

'degree''outdegree' 和 'indegree' 中心性类型基于每个节点连接的边数:

  • 'degree' - 每个节点连接的边数。一个自环记为与节点连接的两条边。

  • 'indegree' - 每个节点的入向边数。一个自环记为一条入向边。

  • 'outdegree' - 每个节点的出向边数。一个自环记为一条出向边。

如果指定 'Importance' 边权重,则算法使用边权重之和,而不是连接边的条数。

'Importance'

'indegree'

'outdegree'

有向

'closeness'

无向

'closeness''incloseness' 和 'outcloseness' 中心性类型使用图中从一个节点到其他所有节点的距离的总和的倒数。如果并非所有节点都可达,则节点 i 的中心性为:

c(i)=(A iN−1)21Ci .

 

Ai 是可从节点 i 到达的节点数(不计 i),N 是 G 中的节点数,Ci 是从节点 i 到所有可到达节点之间的距离之和。

  • 如果从节点 i 不能到达任何节点,则 c(i) 为零。

  • 对于 'incloseness',距离测量值是从所有节点到节点 i

  • 'Cost' 边权重指定边的长度。

 

'Cost'

'incloseness'

'outcloseness'

有向

'betweenness'

无向或有向

'betweenness' 中心性类型衡量每个图节点出现在图中两个节点之间的最短路径上的频率。由于两个图节点 s 和 t 之间可能存在多个最短路径,因此节点 u 的中心性为:

c(u)=s,t≠unst(u)Nst .

 

nst(u) 是从 s 到 t 且穿过节点 u 的最短路径数,Nst 是从 s 到 t 的最短路径总数。

  • 如果是无向图,则从 s 到 t 与从 t 到 s 的路径只记为一条路径(将公式除以 2)。

  • 'Cost' 边权重指定边的长度,帮助确定节点 s 与 t 之间的最短路径。

 

'Cost'

'pagerank'

无向或有向

'pagerank' 中心性类型来自网络的随机查询。在图中的每个节点处,按照概率 'FollowProbability' 从当前节点的后继节点集(无向图中的相邻节点)中选择下一个节点。否则,当一个节点没有后继节点时,将从所有节点中选择下一个节点。中心性得分是指随机查询期间在每个节点上花费的平均时间。

  • 如果某个节点存在自环,则算法可能会遍历该循环。因此,自环会增加所连接节点的 PageRank 中心性得分。

  • 在相同的两个节点之间具有多条边的多重图中,具有多条边的节点被选择的可能性更大。

  • 'Importance' 边权重影响算法选择后继节点的方式。重要性越高的节点,被选择的可能性越大。

 

'Importance'

'FollowProbability'

'Tolerance'

'MaxIterations'

'eigenvector'

无向

'eigenvector' 中心性类型使用与图邻接矩阵的最大特征值对应的特征向量。得分经过归一化,因此所有中心性得分的总和等于 1。

  • 如果有多个未连通分量,算法将分别计算每个分量的特征向量中心性,然后根据图节点在该分量中的百分比来折算分数。

  • 未连接节点的中心性得分为 1/numnodes(G)

  • 指定 'Importance' 边权重以在计算时使用加权的邻接矩阵。

 

'Importance'

'Tolerance'

'MaxIterations'

'hubs'

'authorities'

有向

'hubs' 和 'authorities' 中心性得分是两个链接的递归中心性测量值。一个节点的枢纽得分是其所有后继节点的权威得分之和。同样,权威得分是其所有前趋节点的枢纽得分之和。所有枢纽得分之和等于 1,所有权威得分之和也等于 1。

  • 这些得分可理解为与邻接矩阵的最大奇异值对应的左侧(枢纽)和右侧(权威)奇异向量。

  • 未连接节点的中心性得分为 1/numnodes(G)

  • 指定 'Importance' 边权重以使用加权和,而不是将所有后继/前趋节点的得分简单相加。这相当于使用加权的邻接矩阵的奇异向量。

  • 如果有多个未连通分量(在弱连通意义上),该算法将分别计算每个分量的枢纽得分和权威得分。然后根据图节点在该分量中的百分比来折算分数,从而使总和依然为 1。

 

'Importance'

'Tolerance'

'MaxIterations'

注意

centrality 函数假定所有边权重都等于 1。要更改此设置,请指定边权重与 'Cost' 或 'Importance' 名称-值对组一起使用。

示例: centrality(G,'degree')

示例: centrality(G,'hubs','Tolerance',tol)

转自:https://ww2.mathworks.cn/help/matlab/ref/graph.centrality.html


推荐阅读
  • 本文介绍了如何在Android应用中通过Intent调用其他应用的Activity,并提供了详细的代码示例和注意事项。 ... [详细]
  • 关于进程的复习:#管道#数据的共享Managerdictlist#进程池#cpu个数1#retmap(func,iterable)#异步自带close和join#所有 ... [详细]
  • 使用Tkinter构建51Ape无损音乐爬虫UI
    本文介绍了如何使用Python的内置模块Tkinter来构建一个简单的用户界面,用于爬取51Ape网站上的无损音乐百度云链接。虽然Tkinter入门相对简单,但在实际开发过程中由于文档不足可能会带来一些不便。 ... [详细]
  • Requests库的基本使用方法
    本文介绍了Python中Requests库的基础用法,包括如何安装、GET和POST请求的实现、如何处理Cookies和Headers,以及如何解析JSON响应。相比urllib库,Requests库提供了更为简洁高效的接口来处理HTTP请求。 ... [详细]
  • 理解浏览器历史记录(2)hashchange、pushState
    阅读目录1.hashchange2.pushState本文也是一篇基础文章。继上文之后,本打算去研究pushState,偶然在一些信息中发现了锚点变 ... [详细]
  • 本文详细介绍了如何在Android应用中实现重复报警功能。示例代码可在以下路径找到:https://developer.android.com/samples/RepeatingAlarm/index.html。首先,我们将从Manifest文件开始分析。 ... [详细]
  • 深入理解Java多线程与并发机制
    本文探讨了Java多线程和并发机制的核心概念,包括多线程类的分类、执行器框架、并发容器及控制工具。通过详细解析这些组件,帮助开发者更好地理解和应用多线程技术。 ... [详细]
  • centos 7.0 lnmp成功安装过程(很乱)
    下载nginx[rootlocalhostsrc]#wgethttp:nginx.orgdownloadnginx-1.7.9.tar.gz--2015-01-2412:55:2 ... [详细]
  • vue引入echarts地图的四种方式
    一、vue中引入echart1、安装echarts:npminstallecharts--save2、在main.js文件中引入echarts实例:  Vue.prototype.$echartsecharts3、在需要用到echart图形的vue文件中引入:   importechartsfrom"echarts";4、如果用到map(地图),还 ... [详细]
  • 通过将常用的外部命令集成到VSCode中,可以提高开发效率。本文介绍如何在VSCode中配置和使用自定义的外部命令,从而简化命令执行过程。 ... [详细]
  • MicrosoftDeploymentToolkit2010部署培训实验手册V1.0目录实验环境说明3实验环境虚拟机使用信息3注意:4实验手册正文说 ... [详细]
  • [转]doc,ppt,xls文件格式转PDF格式http:blog.csdn.netlee353086articledetails7920355确实好用。需要注意的是#import ... [详细]
  • 本文探讨了如何通过Service Locator模式来简化和优化在B/S架构中的服务命名访问,特别是对于需要频繁访问的服务,如JNDI和XMLNS。该模式通过缓存机制减少了重复查找的成本,并提供了对多种服务的统一访问接口。 ... [详细]
  • Jupyter Notebook多语言环境搭建指南
    本文详细介绍了如何在Linux环境下为Jupyter Notebook配置Python、Python3、R及Go四种编程语言的环境,包括必要的软件安装和配置步骤。 ... [详细]
  • 管理UINavigationController中的手势返回 - Managing Swipe Back Gestures in UINavigationController
    本文介绍了如何在一个简单的闪存卡片应用中实现平滑的手势返回功能,以增强用户体验。 ... [详细]
author-avatar
小P美容2000
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有